Ein Data Scientist untersucht Daten, entwickelt gegebenenfalls statistische oder maschinelle Lernmodelle und bewertet deren Nutzen für eine konkrete Frage. Dazu gehören Datenverständnis, Aufbereitung, Analyse, Prüfung und die verständliche Erklärung der Ergebnisse.
Ein Modell ist nicht der Anfang einer guten Analyse
Ein Unternehmen möchte wissen, welche Bestellungen verspätet ankommen. Der schnelle Impuls lautet: Wir trainieren eine KI. Zuerst muss aber klar sein, was „verspätet“ bedeutet, welche Informationen zum Vorhersagezeitpunkt vorliegen und wer mit dem Ergebnis etwas anfangen soll.
IBM beschreibt Data Science als ein Feld, in dem unter anderem Statistik, Programmierung und Fachwissen zusammenkommen. In der Praxis entsteht ein wesentlicher Teil der Arbeit, bevor ein komplexes Modell eingesetzt wird: Daten verstehen, Fehler erkennen und eine sinnvolle Vergleichsbasis festlegen.
Ein Beispiel mit einer wichtigen Falle
Für die Vorhersage verspäteter Lieferungen enthält ein Datensatz die Spalte „tatsächlicher Zustelltag“. Wenn du diese Information für eine Vorhersage am Bestelltag verwendest, nutzt du Wissen aus der Zukunft. Das Modell kann im Test beeindruckend aussehen und im echten Einsatz trotzdem unbrauchbar sein.
Dieser Denkfehler zeigt, warum Fachverständnis und sorgfältige Prüfung wichtiger sind als ein attraktiver Modellname. Du musst für jedes Merkmal fragen: War diese Information zu dem Zeitpunkt wirklich verfügbar? Und bildet der Test die spätere Anwendung ab?
Wie ein Analyseprojekt aussehen kann
- Frage klären: Welche Entscheidung soll besser werden?
- Daten verstehen: Woher kommen sie, was fehlt und wie wurden sie erzeugt?
- Vergleichsbasis schaffen: Wie gut ist eine einfache bestehende Regel?
- Analysieren oder modellieren: Welche Methode passt zur Frage?
- Prüfen: Funktioniert der Ansatz auch mit bisher nicht verwendeten Daten?
- Erklären: Was bedeuten Ergebnis und Unsicherheit für die Entscheidung?
Diese Schritte verlaufen nicht immer geradlinig. Eine Prüfung kann zeigen, dass die Ausgangsfrage falsch formuliert war oder wichtige Informationen fehlen. Dann ist ein sauber begründeter Rückschritt wertvoller als ein scheinbar fertiges Modell.
Data Scientist, Data Analyst und Data Engineer
Weitere Spalten: Tabelle seitlich scrollen →
| Rolle | Typischer Schwerpunkt |
|---|---|
| Data Analyst | Daten auswerten und Entwicklungen verständlich machen |
| Data Scientist | Fragestellungen mit statistischen Methoden und gegebenenfalls Lernmodellen untersuchen |
| Data Engineer | Datenverarbeitung und verlässliche Datenbereitstellung entwickeln |
Die Grenzen sind in Unternehmen unterschiedlich. Lies, ob eine Stelle vor allem Berichte, Modellierung oder Dateninfrastruktur verlangt. Die gleiche Bezeichnung kann sehr verschiedene mathematische und technische Anforderungen verbergen.
Welche Grundlagen du ernst nehmen solltest
Statistik und Mathematik helfen dir, Ergebnisse korrekt zu beurteilen. Programmierung und Datenbankwissen machen Analysen bearbeitbar und wiederholbar. Hinzu kommt die Fähigkeit, Grenzen klar zu erklären. „Das Modell liegt oft richtig“ genügt nicht, wenn bestimmte Fehler besonders teuer oder folgenreich sind.
Wenn dich Daten interessieren, beginne nicht mit einem riesigen Datensatz. Nimm eine überschaubare Fragestellung und überprüfe jeden Schritt. Freude an diesem genauen Arbeiten ist ein besserer Ausgangspunkt als die Erwartung, dass ein Werkzeug die schwierigen Entscheidungen übernimmt.
Deine erste Analyse auf einer Seite
Zum Weiterdenken: AI Engineering oder AI Management: Was unterscheidet die Aufgaben?.


